基于模型融合的天然气流量预测方法、系统及电子设备

本发明属于时序数据预测领域，尤其涉及一种基于模型融合的天然气流量预测方法、系统及电子设备。

背景技术：

1、近年来随着物联网技术的发展，各类传感器具有了定时或实时上传的能力，产生了大量的由不同传感器组成的多元时间序列数据。传感器作为一种监控设备，所监控产生的序列数据与其背后监控的能源设备高度相关。在能源领域，传感器之间往往并没有天然的物理关联，所监控的设备使用规律可能会动态变化，且具有高度的时间相关性，预测模型需要针对数据的特点进性建模以提高预测精度。实现对能源数据的预测一方面能够分析能源设备的使用或生产规律，另一方面也能为能源公司提供能源采购参考，降低成本，产生经济效益。

技术实现思路

1、本发明的目的在于解决现有技术中存在的问题，并提供一种基于模型融合的天然气流量预测方法、系统及电子设备。

2、为了实现上述发明目的，本发明具体采用如下技术方案：

3、第一方面，本发明提供了一种基于模型融合的天然气流量预测方法，包括以下步骤：

4、s1、针对用户需要监控的各个目标流量传感器，获取由各个目标流量传感器记录的天然气流量历史时间序列，对各天然气流量历史时间序列进行归一化后，由归一化后的天然气流量历史时间序列组成多元天然气流量历史时间序列，再使用固定长度的时间窗口在多元天然气流量历史时间序列上进行滑动提取，在滑动提取的过程中，将多元天然气流量历史时间序列均匀划分为多元天然气流量历史时间序列段，将每个时间窗口内的天然气流量历史时间序列段作为一个训练样本，将每个时间窗口后指定时间步上的天然气流量历史时间数据值作为回归标签，以训练样本和每个训练样本各自对应的回归标签构建训练样本集合；

5、s2、利用s1中得到的训练样本集合训练天然气流量预测模型，直到天然气流量预测模型收敛，使其能够预测输入数据所在时间窗口后指定时间步上的天然气流量历史时间数据值，其中，所述输入数据为多元天然气流量历史时间序列段；

6、所述分段图卷积模块用于从基于相似度的图结构中提取多元天然气流量历史时间序列段之间动态变化的分段关联信息并最终输出第一输出信号；所述开集识别嵌入图卷积层用于从基于类别的图结构中提取多元天然气流量历史时间序列段之间的类别关联信息并最终输出第二输出信号；所述时间膨胀卷模块将第一输出信号和第二输出信号相加后作为输入，并用于提取多元天然气流量历史时间序列段内部的时间特征并降维，最终输出第三输出信号；所述时间信息增强模块用于聚合多元天然气流量历史时间序列段内的时序特征并最终输出第四输出信号；

7、s3、在实际预测时，从各目标流量传感器记录数据中获取当前最近一个时间窗口内的天然气流量历史时间序列并构成实时的多元天然气流量历史时间序列段，将实时的多元天然气流量历史时间序列段归一化后输入经过训练的天然气流量预测模型中，预测未来指定时间步时各目标流量传感器对应的天然气流量值。

8、在上述方案基础上，各步骤可以采用如下优选的具体方式实现。

9、作为上述第一方面的优选，天然气流量预测模型包括一个分段图卷积模块、一个开集识别嵌入图卷积层、一个时间膨胀卷积模块和一个时间信息增强模块；所述分段图卷积模块将输入的多元天然气流量历史时间序列段按照时间维度进行分段，得到天然气流量历史时间序列分段，根据天然气流量历史时间序列分段间的余弦相似度构建分段邻接矩阵，再由第一图卷积网络提取天然气流量历史时间序列分段间的相关性，第一图卷积网络包含多层图卷积层并利用分段邻接矩阵计算每层图卷积层的输出，完成相关性提取后，将第一图卷积网络的输出作为第一输出信号；所述开集识别嵌入图卷积层利用预训练的开集识别模型对输入的多元天然气流量历史时间序列段进行开集识别分类，并根据开集识别分类结果生成新的图邻接矩阵，将开集识别分类输入到第二图卷积网络中，第二图卷积网络的图卷积层数量与第一图卷积网络的图卷积层数量相同，第二图卷积网络利用新的图邻接矩阵计算每层图卷积层的输出，最终将第二图卷积网络的输出作为第二输出信号；所述时间膨胀卷积模块将第一输出信号和第二输出信号相加后输入多层堆叠的带有膨胀卷积的门限控制单元中，进一步提取多元天然气流量历史时间序列段内的特征并降维，得到第三输出信号；所述时间信息增强模块将输入的多元天然气流量历史时间序列段输入到lstm网络，对lstm网络的输出特征按照时间进行分段，并对各个分段特征应用注意力机制提取分段上下文向量，然后在分段上下文向量上继续应用注意力机制生成时间上下文向量，最后将时间上下文向量与输出特征中最后一个时间步的特征值进行拼接，并将拼接结果经过一层全连接层后得到时间信息增强模块的输出作为第四输出信号，最后将第三输出信号和第四输出信号相加再经过反归一化后，得到天然气流量预测模型的输出。

10、作为上述第一方面的优选，步骤s1具体包括以下子步骤：

11、s11、获取用户需要监控的个目标流量传感器记录的天然气流量历史时间序列，每条天然气流量历史时间序列以各自的最大值作为标度值进行最大值归一化，形成归一化天然气流量历史时间序列，由所有归一化天然气流量历史时间序列组成多元天然气流量历史时间序列；其中，表示目标流量传感器数量；

12、s12、以固定长度的时间窗口在多元天然气流量历史时间序列上按照预设步长进行滑动提取，在滑动提取过程中，每个时间窗口从多元天然气流量历史时间序列中提取时间窗口内的多元天然气流量历史时间序列段，并以多元天然气流量历史时间序列上位于时间窗口后第个时间步处的天然气流量历史时间数据值作为天然气流量预测模型的回归标签，生成天然气流量预测模型的训练样本集合；其中，表示时间窗口后的时间步索引。

13、作为上述第一方面的优选，步骤s2的天然气流量预测模型中，分段图卷积模块的具体处理流程如下：

14、as21、将多元天然气流量历史时间序列段输入到分段图卷积模块中，首先根据预设的分段数量超参数将多元天然气流量历史时间序列段在时间维度上进行平均分割，得到段天然气流量历史时间序列分段；

15、as22、然后以第段天然气流量历史时间序列分段内的各目标流量传感器对应的天然气流量历史时间序列为节点，使用余弦相似度计算第段天然气流量历史时间序列分段内节点的邻接度，得到第段天然气流量历史时间序列分段对应的图邻接矩阵；

16、as23、再使用softmax函数对每个图邻接矩阵均按照行进行归一化，将归一化后的图邻接矩阵作为分段邻接矩阵；

17、as24、最后，将第段天然气流量历史时间序列分段输入到第一图卷积网络中，根据得到的分段邻接矩阵通过第一图卷积网络总共进行层图卷积计算，将第一图卷积网络的输出作为第一输出信号。

18、进一步地，步骤as22中，第k段天然气流量历史时间序列分段对应的图邻接矩阵中，每个目标流量传感器对应一个节点，任意两个目标流量传感器在第k段天然气流量历史时间序列分段中连接边的强度表示为：

19、

20、式中：、分别表示第k段天然气流量历史时间序列分段内的第、个目标流量传感器对应的天然气流量历史时间序列；、分别表示、的模值。

21、进一步地，步骤as23中，在分段邻接矩阵中，第k段天然气流量历史时间序列分段的分段邻接矩阵中与第k段天然气流量历史时间序列分段中连接边的强度对应的邻接度计算式为：

22、

23、其中，表示在第k段天然气流量历史时间序列分段对应的图邻接矩阵中，第、个目标流量传感器在第k段天然气流量历史时间序列分段中连接边的强度。

24、作为上述第一方面的优选，步骤s2的第一图卷积网络中，第层图卷积层具体处理流程如下：利用分段邻接矩阵的度矩阵计算第层图卷积层的第个分段卷积结果，将第层图卷积层的各个分段卷积结果在时间维度上进行重组拼接，得到第层图卷积层的中间输出，将第层图卷积层的中间输出与输入的多元天然气流量历史时间序列段进行残差连接，得到第层图卷积层的最终输出。

25、进一步地，步骤s2的第一图卷积网络中，第层图卷积层的第个分段卷积结果表示如下：

26、

27、其中，为第段天然气流量历史时间序列分段的分段邻接矩阵的度矩阵，为第一可训练参数矩阵，表示第-1层图卷积层的第个分段卷积结果，由第-1层图卷积层的最终输出经过分解后得到；表示第层图卷积层的第个分段卷积结果，由第层图卷积层的最终输出经过分解后得到；表示relu激活函数；表示第一图卷积网络的图卷积层数量；表示第一图卷积网络的输入。

28、作为上述第一方面的优选，步骤s2的天然气流量预测模型中，开集识别嵌入图卷积层的具体处理流程如下：

29、bs21、将多元天然气流量历史时间序列段输入到预训练的开集识别模型中，由预训练的开集识别模型对多元天然气流量历史时间序列段进行开集识别分类，得到开集识别分类结果；

30、bs22、对开集识别分类结果进行图邻接矩阵计算，得到新的图邻接矩阵，新的图邻接矩阵中第行第列的元素表示如下：

31、

32、其中，表示开集识别模型对第条多元天然气流量历史时间序列段的开集识别类别结果；表示开集识别模型对第条多元天然气流量历史时间序列段的开集识别分类结果；表示多元天然气流量历史时间序列段索引；表示天然气流量的已知用气类型数量；

33、bs23、最后将开集识别分类结果输入到第二图卷积网络中，根据得到的新的图邻接矩阵通过第二图卷积网络总共进行层图卷积计算，经过第二图卷积网络层图卷积层处理后，得到新的中间输出，将新的中间输出与输入的多元天然气流量历史时间序列段进行残差连接，得到第二图卷积网络的输出并作为第二输出信号。

34、作为上述第一方面的优选，步骤s2的天然气流量预测模型中，时间膨胀卷积模块总共进行个门限控制单元的膨胀卷积处理，对每个门限控制单元的输出进行加权叠加，得到加权后的信号，再经过一层卷积层对加权后的信号进行降维后，得到时间膨胀卷积模块的输出并作为第三输出信号。

35、进一步地，第个门限控制单元中膨胀卷积的处理过程表示如下：

36、

37、其中，是第个门限控制单元的输出，是第个门限控制单元的输出；分别表示第个门限控制单元中膨胀卷积的第一个卷积核、第二个卷积核的可学习参数；⊗表示矩阵点乘，表示sigmoid激活函数，*表示膨胀卷积操作。

38、作为上述第一方面的优选，步骤s2的天然气流量预测模型中，时间信息增强模块的具体处理流程如下：

39、cs21、将多元天然气流量历史时间序列段作为lstm网络的输入，先由具有个隐藏层单元的lstm网络进行特征提取，得到lstm网络的输出特征；

40、cs22、根据分段数量超参数对输出特征进行分段，得到段分段特征，然后将各个分段特征经过第三可训练参数矩阵加权后，得到加权后的分段特征，将加权后的分段特征经过softmax函数，计算得到对应的分段权值，由各加权后的分段特征与各分段权值加权求和，得到分段上下文向量；

41、cs23、将分段上下文向量经过第四可训练参数矩阵加权后，得到加权后的分段上下文向量，加权后的分段上下文向量中包含个时间步的信号，对每个时间步的信号经过softmax函数，计算得到对应的时间展开步权值，由各时间步的信号与各时间展开步权值加权求和，得到时间上下文向量；其中，表示每个天然气流量历史时间序列分段的长度；

42、cs24、最后将时间上下文向量与输出特征中最后一个时间步的特征值进行拼接，并将拼接结果经过一层全连接层后得到时间信息增强模块的输出作为第四输出信号。

43、作为上述第一方面的优选，步骤s2的第二图卷积网络中，第层图卷积层的具体处理流程如下：

44、

45、其中，为新的图邻接矩阵的度矩阵，为第二可训练参数矩阵，表示第-1层图卷积层的结果；表示第层图卷积层的结果；表示relu激活函数；表示第二图卷积网络的图卷积层数量；表示将开集识别分类结果作为第二图卷积网络输入。

46、第二方面，本发明提供了一种基于模型融合的天然气流量预测系统，包括：

47、数据处理模块，用于针对用户需要监控的各个目标流量传感器，获取由各个目标流量传感器记录的天然气流量历史时间序列，对各天然气流量历史时间序列进行归一化后，由归一化后的天然气流量历史时间序列组成多元天然气流量历史时间序列，再使用固定长度的时间窗口在多元天然气流量历史时间序列上进行滑动提取，在滑动提取的过程中，将多元天然气流量历史时间序列均匀划分为多元天然气流量历史时间序列段，将每个时间窗口内的天然气流量历史时间序列段作为一个训练样本，将每个时间窗口后指定时间步上的天然气流量历史时间数据值作为回归标签，以训练样本和每个训练样本各自对应的回归标签构建训练样本集合；

48、模型训练模块，用于利用数据处理模块得到的训练样本集合训练天然气流量预测模型，直到天然气流量预测模型收敛，使其能够预测输入数据所在时间窗口后指定时间步上的天然气流量历史时间数据值，其中，所述输入数据为多元天然气流量历史时间序列段；天然气流量预测模型包括一个分段图卷积模块、一个开集识别嵌入图卷积层、一个时间膨胀卷积模块和一个时间信息增强模块；

49、所述分段图卷积模块用于从基于相似度的图结构中提取多元天然气流量历史时间序列段之间动态变化的分段关联信息并最终输出第一输出信号；所述开集识别嵌入图卷积层用于从基于类别的图结构中提取多元天然气流量历史时间序列段之间的类别关联信息并最终输出第二输出信号；所述时间膨胀卷模块将第一输出信号和第二输出信号相加后作为输入，并用于提取多元天然气流量历史时间序列段内部的时间特征并降维，最终输出第三输出信号；所述时间信息增强模块用于聚合多元天然气流量历史时间序列段内的时序特征并最终输出第四输出信号；

50、结果获取模块，用于在实际预测时，从各目标流量传感器记录数据中获取当前最近一个时间窗口内的天然气流量历史时间序列并构成实时的多元天然气流量历史时间序列段，将实时的多元天然气流量历史时间序列段归一化后输入经过训练的天然气流量预测模型中，预测未来指定时间步时各目标流量传感器对应的天然气流量值。

51、第三方面，本发明提供了一种计算机电子设备，其包括存储器和处理器；

52、所述存储器，用于存储计算机程序；

53、所述处理器，用于当执行所述计算机程序时，实现如上述第一方面任一方案所述的基于模型融合的天然气流量预测方法。

54、本发明相对于现有技术而言，具有以下有益效果：

55、本发明通过对用于多个目标流量传感器构成的历史多元时间序列学习，所设计的天然气流量预测模型能够基于最新的历史燃气流量数据，利用分段图卷积模块学习序列间的分段关联信息，利用开集识别嵌入图卷积层学习序列间的类别关联信息，利用时间膨胀卷积模块和时间信息增强模块学习序列内部时序特征，精确预测未来某个时间步上各燃气流量传感器的流量值。